Shallow Triple Stream Three-dimensional CNN

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

卷积神经网络过程可视化方面的论文，非常详细，香港科技大学最新研究成果

drcn matlab代码通过 CNN 架构和 TV-TV 最小化实现单图像超分辨率 介绍 复制论文中实验的Matlab代码： Marija Vella, João FC Mota BMVC 2019 该论文描述了任何超分辨率算法的后处理步骤，但这与基于 CNN 的算法特别相关。 给定低分辨率图像 b 和超分辨率算法的输出 w，后处理步骤通过求解 TV-TV 最小化来生成改进的高分辨率图像： 我们的实验表明，这个过程步骤系统地提高了重建图像的质量，如 PSNR 和 SSIM 所测量的那样，即使基本算法是最先进的，（例如， ， ， ）。 要求 （针对 R2019a 进行测试） 内容 有 2 个主要文件夹：和 . 该文件夹包含三个子文件夹： - 来自数据集、 和 的地面实况图像； 这些用于测试。 - 我们考虑过的超分辨率方法的输出图像（、 和 ）。 根据缩放因子将它们裁剪为适当的大小，以避免与地面实况图像错位。 - 包含两个带有示例图像的子文件夹，一个带有真实图像，另一个带有来自 SRCNN 的输出图像，放大系数为 2 倍。 该文件夹包含运行所有实验所需的代码。 脚本experiments

颜色分类leetcode CarL-CNN Car Logos CNN - 构建我自己的汽车标识分类神经网络 描述 CarL-CNN 接受了 20,778 张 50x50px RGB 图像的训练，这些图像描绘了 40 个不同汽车品牌的标识。 该数据集是从松散的网站上精心挑选的，包含各种配色方案（黑/白、RGB、CMYK、单色）、不同角度的图像、照片、绘图、草图，有时可能包含一些噪音（其他标识、背景等） .) 它通过归因于预测的品牌标签对给定图像进行分类： 模型指标 该模型得到以下分数： 精度：94.20% 召回率：94.03% F1分数：94.04% 准确度：94.03% 特征 Jupyter Notebook 文件包含用于展示、类别概率预测和新图像识别的方法定义。 此外，还对错误预测的案例进行了仔细检查，以分析哪些汽车品牌需要一些数据集丰富。 未来发展 我计划将它变成一个 Web 应用程序，并允许添加用户拥有的图像进行分类。 稍后，我打算使用sl4a，将其制作成Android应用程序并启用手机摄像头识别车标——真正的计算机视觉！ 链接 - 完整运行 CarL-CNN 所需的链接 （解

卷积神经网络用于句子分类2014年论文的解读ppt，通过开题介绍卷积的概念，以及论文完成的工作突破性意义，以及论文中的模型构建

使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

使用CNN进行面部表情识别：使用CNN和Keras和Tensorflow创建的面部表情识别模型

matlab灰色处理代码基于深度学习的投影梯度下降用于图像重建 该项目包括一个框架，以： 在Pytorch中训练神经网络（Unet）作为图像到图像投影仪，将其导出为.pth和.onnx格式 在[1]中应用松弛投影梯度下降（RPGD）进行图像重建。 对于这一部分，在Python和Matlab中都提供了代码。 在Matlab中，由于有许多库，测量操作员可能更容易获得。 %%% 入门 先决条件 Python 3.7 Pytorch 1.1.0 Scipy 1.2.1 Matplotlib 3.0.3 对于Matlab代码： Matlab R2019a深度学习工具箱 正在安装 下载文件夹代码和数据 运行测试 此处提供的干净数据（位于train_target和test_target文件夹中）包含200个训练图像，20个测试图像，每个图像都有1个通道，灰度像素为320x320。 每个图像都是从Matlab幻象函数生成的，参数是从修改后的Shepp-Logan头部幻像获得的参数E，然后通过使E = E + 0.01 * randn（10,6）来添加一些变化。 测量算子H是5x5卷积，权重= 1/25

猫和狗 当我们的数据集不足时，最常用的方法之一是使用预先训练的模型。 在我们的案例中，我们将考虑在ImageNet数据集上训练的大型卷积网络（140万个带标签的图像和1000个不同的类）。 ImageNet包含许多动物类别，包括不同种类的猫和狗，因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干： •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构，该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16： from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),